RidgeClassifier

classsklearn.linear_model.RidgeClassifier(alpha=1.0, *, fit_intercept=True, copy_X=True, max_iter=None, tol=0.0001, class_weight=None, solver='auto', positive=False, random_state=None)[source]

Классификатор, использующий гребневую регрессию.

Этот классификатор сначала преобразует целевые значения в {-1, 1} и затем рассматривает задачу как задачу регрессии (многовыходная регрессия в многоклассовом случае).

Подробнее см. в Руководстве пользователя.

Параметры:

alphafloat, default=1.0

Сила регуляризации; должно быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения указывают на более сильную регуляризацию. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC.

fit_interceptbool, default=True

Вычислять ли свободный член для этой модели. Если установлено значение false, свободный член не будет использоваться в расчетах (например, ожидается, что данные уже центрированы).

copy_Xbool, default=True

Если True, X будет скопирован; в противном случае он может быть перезаписан.

max_iterint, default=None

Максимальное количество итераций для решателя сопряженных градиентов. Значение по умолчанию определяется scipy.sparse.linalg.

tolfloat, default=1e-4

Точность решения (coef_) определяется tol, который задает различные критерии сходимости для каждого решателя:

• ‘svd’: tol не влияет.
• ‘cholesky’: tol не влияет.
• ‘sparse_cg’: норма остатков меньше, чем tol.
• ‘lsqr’: tol устанавливается как atol и btol в scipy.sparse.linalg.lsqr, которые контролируют норму вектора остатков с точки зрения норм матрицы и коэффициентов.
• ‘sag’ и ‘saga’: относительное изменение coef меньше, чем tol.
• ‘lbfgs’: максимум абсолютного (проецируемого) градиента = max|остатки| меньше, чем tol.

Изменено в версии 1.2: Значение по умолчанию изменено с 1e-3 на 1e-4 для согласованности с другими линейными моделями.

class_weightdict or ‘balanced’, default=None

Веса, связанные с классами в форме {class_label: weight}. Если не задано, предполагается, что все классы имеют вес один.

Режим «balanced» использует значения y для автоматической корректировки весов обратно пропорционально частотам классов во входных данных как n_samples / (n_classes * np.bincount(y)).

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, default=’auto’

Решатель, используемый в вычислительных процедурах:

• ‘auto’ автоматически выбирает решатель на основе типа данных.
• ‘svd’ использует сингулярное разложение X для вычисления коэффициентов Ridge. Это наиболее стабильный решатель, в частности, более стабильный для сингулярных матриц, чем ‘cholesky’, за счет большей медлительности.
• ‘cholesky’ использует стандартную функцию scipy.linalg.solve для получения решения в замкнутой форме.
• ‘sparse_cg’ использует решатель сопряженных градиентов, как в scipy.sparse.linalg.cg. Будучи итеративным алгоритмом, этот решатель более подходит, чем ‘cholesky’, для больших данных (возможность установить tol и max_iter).
• ‘lsqr’ использует специализированную процедуру решения задачи наименьших квадратов с регуляризацией scipy.sparse.linalg.lsqr. Он является самым быстрым и использует итеративную процедуру.

• ‘sag’ использует стохастический градиентный спуск со средним значением, а ‘saga’ использует его несмещенную и более гибкую версию, называемую SAGA. Оба метода используют итеративную процедуру и часто быстрее других решателей, когда n_samples и n_features велики. Обратите внимание, что быстрая сходимость ‘sag’ и ‘saga’ гарантируется только для признаков с приблизительно одинаковым масштабом. Вы можете предварительно обработать данные с помощью масштабировщика из sklearn.preprocessing.

  Добавлено в версии 0.17: Решатель стохастического градиентного спуска со средним значением.

  Добавлено в версии 0.19: Решатель SAGA.

• ‘lbfgs’ использует алгоритм L-BFGS-B, реализованный в scipy.optimize.minimize. Он может использоваться только тогда, когда positive равно True.

positivebool, default=False

Когда установлено значение True, принудительно устанавливает коэффициенты в положительные значения. В этом случае поддерживается только решатель ‘lbfgs’.

random_stateint, RandomState instance, default=None

Используется, когда solver == ‘sag’ или ‘saga’ для перемешивания данных. См. Глоссарий для получения подробной информации.

Атрибуты:

coef_ndarray of shape (1, n_features) or (n_classes, n_features)

Коэффициент признаков в решающей функции.

coef_ имеет форму (1, n_features), когда заданная проблема является бинарной.

intercept_float or ndarray of shape (n_targets,)

Свободный член в решающей функции. Установлено в 0.0, если fit_intercept = False.

n_iter_None or ndarray of shape (n_targets,)

Фактическое количество итераций для каждой цели. Доступно только для решателей sag и lsqr. Другие решатели вернут None.

classes_ndarray of shape (n_classes,)

Метки классов.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Имена признаков, увиденных во время fit. Определяется только тогда, когда X имеет имена признаков, которые являются строками.

Добавлено в версии 1.0.

solver_str

Решатель, который использовался во время fit вычислительными процедурами.

Добавлено в версии 1.5.

См. также

Ridge

Гребневая регрессия.

RidgeClassifierCV

Классификатор Ridge со встроенной перекрестной проверкой.

Примечания

Для многоклассовой классификации n_class классификаторов обучаются в подходе «один против всех». Конкретно, это реализовано за счет использования поддержки многомерного отклика в Ridge.

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifier
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifier().fit(X, y)
>>> clf.score(X, y)
0.9595...

propertyclasses_

Метки классов.

decision_function(X)[source]

Предсказать оценки уверенности для образцов.

Оценка уверенности для образца пропорциональна знаковому расстоянию этого образца до гиперплоскости.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Матрица данных, для которой мы хотим получить оценки уверенности.

Возвращает:

scoresndarray of shape (n_samples,) or (n_samples, n_classes)

Оценки уверенности для каждой (n_samples, n_classes) комбинации. В бинарном случае оценка уверенности для self.classes_[1], где >0 означает, что этот класс будет предсказан.

fit(X, y, sample_weight=None)[source]

Подогнать модель классификатора Ridge.

Параметры:

X{ndarray, sparse matrix} of shape (n_samples, n_features)

Данные для обучения.

yndarray of shape (n_samples,)

Целевые значения.

sample_weightfloat or ndarray of shape (n_samples,), default=None

Индивидуальные веса для каждого образца. Если задано число с плавающей точкой, каждый образец будет иметь одинаковый вес.

Добавлено в версии 0.17: sample_weight поддержка для RidgeClassifier.

Возвращает:

selfobject

Экземпляр оценщика.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

A MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры для этого оценщика.

Параметры:

deepbool, default=True

Если True, вернет параметры для этого оценщика и содержащиеся вложенные объекты, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказать метки классов для образцов в X.

Параметры:

X{array-like, spare matrix} of shape (n_samples, n_features)

Матрица данных, для которой мы хотим предсказать целевые значения.

Возвращает:

y_predndarray of shape (n_samples,) or (n_samples, n_outputs)

Вектор или матрица, содержащие предсказания. В бинарных и многоклассовых задачах это вектор, содержащий n_samples. В задаче с несколькими метками возвращает матрицу формы (n_samples, n_outputs).

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность по заданным тестовым данным и меткам.

В многометковой классификации это точность подмножества, которая является жесткой метрикой, поскольку требуется для каждого образца, чтобы каждый набор меток был правильно предсказан.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like of shape (n_samples,), default=None

Веса образцов.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifier[source]

Запрос метаданных, переданных методу fit.

Обратите внимание, что этот метод актуален только в том случае, если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, см. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: запрашиваются метаданные и передаются fit, если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с этим заданным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлено в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве субоценщика мета-оценщика, например, используется внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfobject

Обновленный объект.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры формы <component>__<parameter> так что можно обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifier[source]

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только в том случае, если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, см. Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: запрашиваются метаданные и передаются методу score если предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не будет передавать их методу score.
• None: метаданные не запрашиваются, и мета-оценщик вызовет ошибку, если пользователь предоставит их.
• str: метаданные должны быть переданы мета-оценщику с этим заданным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлено в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется как подобъект мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

sample_weightstr, True, False, или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfобъект

Обновлённый объект.

Примеры из галереи

Классификация текстовых документов с использованием разреженных признаков